CN109190950B - 一种电表和水表档案贯通的用能异常识别方法 - Google Patents
一种电表和水表档案贯通的用能异常识别方法 Download PDFInfo
- Publication number
- CN109190950B CN109190950B CN201810951080.7A CN201810951080A CN109190950B CN 109190950 B CN109190950 B CN 109190950B CN 201810951080 A CN201810951080 A CN 201810951080A CN 109190950 B CN109190950 B CN 109190950B
- Authority
- CN
- China
- Prior art keywords
- consumption
- water
- electricity
- user
- meter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005265 energy consumption Methods 0.000 title claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 121
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 abstract description 10
- 230000002265 prevention Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电表和水表档案贯通的用能异常识别方法,通过电表和水表档案贯通进行进行用户编号关联,结合聚类算法提取特征并最终进行用户用电、用水异常行为判断;不仅实现了快速定位异常用电、异常用水嫌疑用户,而且提高了定位成功率和精确程度,减少不必要的稽查,对于有窃电想法的用户具有威慑力,减少窃电偷电行为的发生;解决了传统窃电、窃水检查方法耗费人力大,时效性差,判断不精准的问题,从而实现了高效反窃电、反窃水。
Description
技术领域
本发明涉及数据检测技术领域,具体来说,涉及一种电表和水表档案贯通的用能异常识别方法。
背景技术
2015年7月6日,国家***、能源局发布《关于促进智能电网发展的指导意见》,提出完善煤、电、油、气领域信息资源共享机制,支持水、气、电集采集抄,建设跨行业能源运行动态数据集成平台。国网公司积极响应国家号召,大力推进多表合一建设,技术上依托电力用户用电信息采集技术,已实现“电、水、气、热”表数据“一体化”采集。根据国网公司营销计量[2015]16号文工作要求,按照示范先行,先易后难的方针,湖北省多表合一建设优先实施电、水表一体化采集。由于电表档案、水表档案分别在电力公司、水务公司,如何实现电表、水表档案匹配贯通,是充分发挥多表合一的跨行业能源运行动态数据价值的基础。
随着社会经济的发展与人民生活水平的提升,窃电和窃水行为时有发生。窃电和窃水行为不仅会使电力部门和水务部门蒙受巨大经济损失,而且会危及正常的社会经济秩序,同时其破坏电力和水力设施的行为,极易造成人员伤亡事故和电气火灾。虽然各供电公司积极探索反窃电技术与手段已久,但现有的窃电稽查方法大多基于用电检查人员的定期实施与现场检查,如文献[1](唐国良,陈建良.窃电的查处及防范[J].大众用电,2011,(10):8-9)中方法缺少有效的信息支撑,不仅时效性较差,准确率低,而且工作量巨大效率不高。
寻找有效的异常用电检测手段是近年来热门的研究领域。文献[2](王颖琛,顾洁,金之俭.基于高维随机矩阵分析的窃电识别方法[J].现代电力,2017,34(6):71-78)以电网运行采集参数为元素构建高维随机矩阵,通过对矩阵的统计特性进行刻画,提出基于大数据分析的窃电识别方法,以33节点电网运行模型为例,根据仿真采集到的电网随时间变化的电压电流等运行参数实现对窃电发生判别、窃电发生时间确定、窃电地点定位、窃电类型的判别。文献[3](熊秋.居民用电异常识别***的研究实现[D].北京邮电大学,2018)提出了一种基于居民用户多维复合特征的异常用电识别模型,通过支持向量机、局部异常因子、基于相似用户用电负荷的相关性度量和基于最相关用户的相关性变化率度量四个模块提取四维复合特征,分别从全局异常、局部异常、地域空间、时间序列四个角度描述用户的用电异常行为。文献[4](史玉良,荣以平,朱伟义,等.基于逻辑回归概率分析优化模型的反窃电分析预警方法[P],2017)公开了一种基于逻辑回归概率分析优化模型的反窃电分析预警方法。该发明基于用电信息采集***和SG186营销业务应用***积累的大量客户用电信息,结合大量典型窃电案例,综合考虑各种窃电因素,抽象识别窃电行为的普遍因素,将逻辑回归算法和层次聚类分析算法相结合建立反窃电分析与处理方法。文献[5](王树明,胡艳杰,郭冰杰,等.一种窃电识别方法及装置[P],2017)提供了一种窃电识别方法和装置,该方法包括:获取待识别用户的用电数据;根据所述待识别用户的用电数据计算预设的异常用电指标;若该待识别用户为异常用户,则依据该待识别用户的异常用电指标生成待识别用户的用电特征向量;分别计算该待识别用户的用电特征向量和预设的每种窃电手法的窃电指纹向量的相似度的值;若计算得到的任何一个相似度的值超过预设的阈值,则表示所述待识别用户为窃电嫌疑用户。文献[6](王昕,李川,曹敏,等.一种基于用户行为分析的防窃电方法[P],2017)提出了一种基于用户行为分析的防窃电方法,首先以包括峰值有功功率、平值有功功率、谷值有功功率、总无功功率、总有功功率和功率因数等窃电参数作为输入向量,以窃电系数作为输出向量构建人工神经网络;然后将生成的训练样本进行归一化处理后输入人工神经网络,对人工神经网络进行训练;再将采集到的窃电参数值输入训练后的人工神经网络,输出窃电系数值;最后根据窃电系数值的大小,判断用户是否有窃电嫌疑。
由上可见,当前用户用电行为异常(窃电)主要是基于电力采集数据进行分析,且不能对窃水行为异常进行分析。仅基于电力采集数据分析判别窃电行为的方法还存在一些不足,例如难以筛选出用电量微小或为零的电力用户到底是用户未入住还是窃电行为,特别是当前很多小区的住户入住率其实并没有100%,基于电力采集数据的窃电识别方法与人工搜查相比虽可以缩小检查范围,但依旧难以精准定位窃电用户。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题,本发明提出一种电表和水表档案贯通的用能异常识别方法。
本发明的技术方案是这样实现的:
一种电表和水表档案贯通的用能异常识别方法,包括以下步骤:
S1、从电力用户用电信息采集***中获取多表合一小区的客户电表、水表采集明细数据;
S2、对多表合一小区客户电表、水表采集明细数据进行电表和水表档案进行用户编号关联;
S3、采用k-means聚类算法对用户用电、用水数据进行聚类,得到用户用电、用水基本特征,并从用户用电、用水基本特征选取用户用电、用水异常特征;
S4、针对步骤S3得到用户用电、用水异常特征,关联台区线损率,识别电表和水表档案不对应、用户用能异常行为;包括:
S4-1对多个台区线损率数据进行聚类分析,得到台区合理线损率的参考值;
S4-2当被检测台区实际线损率低于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为电表和水表档案不对应;
当被检测台区实际线损率高于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为用户用能异常行为。
进一步的,步骤S3包括,
S3-1从n个用户的用电、用水数据对象[x1,x2,…,xn]中任意选择k(k<n)个对象作为初始聚类中心[v1,v2,…,vk];
S3-2计算数据集中每个对象[x1,x2,…,xn]与这k个聚类中心[v1,v2,…,vk]的距离E,并根据最小距离原则将n个数据对象[x1,x2,…,xn]划分至k个簇[C1,C2,…,Ck];
式中,E为数据对象中所有对象的平方误差的总和,xj为第j个数据对象,vi为第i个簇Ci的聚类中心,即
式中,ni为第i个簇Ci中数据对象xk的数量。
S3-3根据步骤S3-2划分的k个簇[C1,C2,…,Ck],重新计算每个聚类中心[v1,v2,…,vk];
S3-4如果聚类中心或k个聚类对象数据集合发生变化,则转至步骤S3-2,否则聚类运算终止。
进一步的,步骤S3中用户用电、用水基本特征包括:用电量和用水量为零、用电量或用水量持续微小、用电量正常但用水量为零或持续微小、用电量为零或持续微小但用水量正常、用电量或用水量存在负数、用电量或用水量徒增。
进一步的,步骤S3选取的用户用电、用水异常特征为:用电量正常但用水量为零或持续微小和用电量为零或持续微小但用水量正常两类特征。
进一步的,步骤S4-2中当被检测台区实际线损率高于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为用户用能异常行为,具体的:
将用电量正常但用水量为零或持续微小的用户,判定为疑似窃水行为;
将用电量为零或持续微小但用水量正常的用户,判定为疑似窃电行为。
本发明的有益效果:通过电表和水表档案贯通进行进行用户编号关联,结合聚类算法提取特征并最终进行用户用电、用水异常行为判断;不仅实现了快速定位异常用电、异常用水嫌疑用户,而且提高了定位成功率和精确程度,减少不必要的稽查,对于有窃电想法的用户具有威慑力,减少窃电偷电行为的发生;解决了传统窃电、窃水检查方法耗费人力大,时效性差,判断不精准的问题,从而实现了高效反窃电、反窃水。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明一种电表和水表档案贯通的用能异常识别方法流程图;
图2是根据本发明一种电表和水表档案贯通的用能异常识别方法中电量和用水量为零特征示意图;
图3是根据本发明一种电表和水表档案贯通的用能异常识别方法中用电量或用水量持续微小特征示意图;
图4是根据本发明一种电表和水表档案贯通的用能异常识别方法中用电量为零或持续微小但用水量正常特征示意图;
图5是根据本发明一种电表和水表档案贯通的用能异常识别方法中用电量正常但用水量为零或持续微小特征示意图;
图6是根据本发明一种电表和水表档案贯通的用能异常识别方法中用电量或用水量存在负数特征示意图;
图7是根据本发明一种电表和水表档案贯通的用能异常识别方法中用电量或用水量徒增特征示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,根据本发明实施例的一种电表和水表档案贯通的用能异常识别方法,包括以下步骤:
S1、从电力用户用电信息采集***中获取多表合一小区的客户电表、水表采集明细数据;
S2、对多表合一小区客户电表、水表采集明细数据进行电表和水表档案进行用户编号关联;
S3、采用k-means聚类算法对用户用电、用水数据进行聚类,得到用户用电、用水基本特征,并从用户用电、用水基本特征选取用户用电、用水异常特征;
S4、针对步骤S3得到用户用电、用水异常特征,关联台区线损率,识别电表和水表档案不对应、用户用能异常行为;包括:
S4-1对多个台区线损率数据进行聚类分析,得到台区合理线损率的参考值;
S4-2当被检测台区实际线损率低于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为电表和水表档案不对应;
当被检测台区实际线损率高于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为用户用能异常行为。
本实施例中,步骤S3包括,
S3-1从n个用户的用电、用水数据对象[x1,x2,…,xn]中任意选择k(k<n)个对象作为初始聚类中心[v1,v2,…,vk];
S3-2计算数据集中每个对象[x1,x2,…,xn]与这k个聚类中心[v1,v2,…,vk]的距离E,并根据最小距离原则将n个数据对象[x1,x2,…,xn]划分至k个簇[C1,C2,…,Ck];
式中,E为数据对象中所有对象的平方误差的总和,xj为第j个数据对象,vi为第i个簇Ci的聚类中心,即
式中,ni为第i个簇Ci中数据对象xk的数量。
S3-3根据步骤S3-2划分的k个簇[C1,C2,…,Ck],重新计算每个聚类中心[v1,v2,…,vk];
S3-4如果聚类中心或k个聚类对象数据集合发生变化,则转至步骤S3-2,否则聚类运算终止。
本实施例中,步骤S3中用户用电、用水基本特征包括:用电量和用水量为零、用电量或用水量持续微小、用电量正常但用水量为零或持续微小、用电量为零或持续微小但用水量正常、用电量或用水量存在负数、用电量或用水量徒增。
本实施例中,步骤S3选取的用户用电、用水异常特征为:用电量正常但用水量为零或持续微小和用电量为零或持续微小但用水量正常两类特征。
本实施例中,步骤S4-2中当被检测台区实际线损率高于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为用户用能异常行为,具体的:
将用电量正常但用水量为零或持续微小的用户,判定为疑似窃水行为;
将用电量为零或持续微小但用水量正常的用户,判定为疑似窃电行为。
具体的,选用某多表合一小区居民用电、用水数据来进行说明,但本发明内容的适用性及保护范围不局限于多表合一小区,也不局限于居民用户,也可应用于商业用户、工业用户等,具体采用k-means聚类算法对用户用电、用水数据进行聚类,得到用户用电、用水基本特征如图(2-7)所示。
该台区线损率5%,档案户数100户,入住率70%;在以往的用电检查管理中,如果怀疑有违约窃电用户,只能分析电表数据,凡是电量为0和微小的用户都有窃电嫌疑,导致疑似问题用户数量达到30户以上,需要投入大量的人力物力开展现场普查;并且该台区线损率并不高,在人力资源有限,以抓高损台区为重点的大环境下,该台区属于主观“第一印象”线损正常的台区,通常会被忽略,导致用户窃电行为长期存在。通过电、水表数据以及台区线损率关联监测发现,在这个用电检查被忽略的台区中,存在1户长期用电量为0但用水量正常的嫌疑用户,根据档案贯通验证,没有与之地址相近的用电量正常但用水量为0的用户,即排除了该用户电、水表户表关系与其他用户错位的可能性,窃电嫌疑度非常高。现场检查发现,该用户破坏表计接线,私自在进线电源接电,属于典型的窃电行为;窃电行为处理后,台区线损率下降到3%以下。
由此可见,借助于本发明的上述技术方案,通过电表和水表档案贯通进行进行用户编号关联,结合聚类算法提取特征并最终进行用户用电、用水异常行为判断;不仅实现了快速定位异常用电、异常用水嫌疑用户,而且提高了定位成功率和精确程度,减少不必要的稽查,对于有窃电想法的用户具有威慑力,减少窃电偷电行为的发生;解决了传统窃电、窃水检查方法耗费人力大,时效性差,判断不精准的问题,从而实现了高效反窃电、反窃水。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种电表和水表档案贯通的用能异常识别方法,其特征在于,包括以下步骤:
S1、从电力用户用电信息采集***中获取多表合一小区的客户电表、水表采集明细数据;
S2、对多表合一小区客户电表、水表采集明细数据电表和水表档案进行用户编号关联;
S3、采用k-means聚类算法对用户用电、用水数据进行聚类,得到用户用电、用水基本特征,并从用户用电、用水基本特征选取用户用电、用水异常特征;
S4、针对步骤S3得到用户用电、用水异常特征,关联台区线损率,识别电表和水表档案不对应、用户用能异常行为;包括:
S4-1对多个台区线损率数据进行聚类分析,得到台区合理线损率的参考值;
S4-2当被检测台区实际线损率低于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为电表和水表档案不对应;
当被检测台区实际线损率高于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为用户用能异常行为。
2.根据权利要求1所述的一种电表和水表档案贯通的用能异常识别方法,其特征在于,步骤S3包括,
S3-1从n个用户的用电、用水数据对象[x1,x2,…,xn]中任意选择k(k<n)个对象作为初始聚类中心[v1,v2,…,vk];
S3-2计算数据集中每个对象[x1,x2,…,xn]与这k个聚类中心[v1,v2,…,vk]的距离E,并根据最小距离原则将n个数据对象[x1,x2,…,xn]划分至k个簇[C1,C2,…,Ck];
式中,E为数据对象中所有对象的平方误差的总和,xj为第j个数据对象,vi为第i个簇Ci的聚类中心,即
式中,ni为第i个簇Ci中数据对象xk的数量;
S3-3根据步骤S3-2划分的k个簇[C1,C2,…,Ck],重新计算每个聚类中心[v1,v2,…,vk];
S3-4如果聚类中心或k个聚类对象数据集合发生变化,则转至步骤S3-2,否则聚类运算终止。
3.根据权利要求2所述的一种电表和水表档案贯通的用能异常识别方法,其特征在于,步骤S3中用户用电、用水基本特征包括:用电量和用水量为零、用电量或用水量持续微小、用电量正常但用水量为零或持续微小、用电量为零或持续微小但用水量正常、用电量或用水量存在负数、用电量或用水量徒增。
4.根据权利要求3所述的一种电表和水表档案贯通的用能异常识别方法,其特征在于,步骤S3选取的用户用电、用水异常特征为:用电量正常但用水量为零或持续微小和用电量为零或持续微小但用水量正常两类特征。
5.根据权利要求4所述的一种电表和水表档案贯通的用能异常识别方法,其特征在于,步骤S4-2中当被检测台区实际线损率高于合理线损率参考值时,即将该被检测台区用户用电、用水异常行为判定为用户用能异常行为,具体的:
将用电量正常但用水量为零或持续微小的用户,判定为疑似窃水行为;
将用电量为零或持续微小但用水量正常的用户,判定为疑似窃电行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951080.7A CN109190950B (zh) | 2018-08-21 | 2018-08-21 | 一种电表和水表档案贯通的用能异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951080.7A CN109190950B (zh) | 2018-08-21 | 2018-08-21 | 一种电表和水表档案贯通的用能异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190950A CN109190950A (zh) | 2019-01-11 |
CN109190950B true CN109190950B (zh) | 2021-05-04 |
Family
ID=64918592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810951080.7A Active CN109190950B (zh) | 2018-08-21 | 2018-08-21 | 一种电表和水表档案贯通的用能异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190950B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837934B (zh) * | 2019-11-11 | 2023-04-07 | 四川大学 | 一种基于深度学习的智能电网短期住宅负荷预测方法 |
CN111638422A (zh) * | 2020-06-11 | 2020-09-08 | 国家电网有限公司 | 基于电力大数据配电网故障的快速定位方法 |
CN112381476B (zh) * | 2021-01-18 | 2021-04-13 | 中国电力科学研究院有限公司 | 用于确定状态异常的电能表的方法及装置 |
CN113312408A (zh) * | 2021-06-04 | 2021-08-27 | 河北工大科雅能源科技股份有限公司 | 基于数据分析的待巡检用户确定方法、装置及终端 |
CN113435494A (zh) * | 2021-06-22 | 2021-09-24 | 国网江苏省电力有限公司营销服务中心 | 低压居民用户异常用电识别方法及仿真模拟*** |
CN113625028B (zh) * | 2021-08-11 | 2024-04-09 | 东南大学溧阳研究院 | 一种防窃电监测方法 |
CN115618654B (zh) * | 2022-12-14 | 2023-04-07 | 北京志翔科技股份有限公司 | 超差电能表的识别方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002238186A (ja) * | 2001-02-14 | 2002-08-23 | Electric Power Dev Co Ltd | 分散電源の遠隔監視システム |
CN103630869B (zh) * | 2013-11-29 | 2017-03-29 | 国家电网公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
CN104616211A (zh) * | 2015-02-06 | 2015-05-13 | 宁波永耀信息科技有限公司 | 基于水电用量比值聚类的异常水电用户检测方法及*** |
CN106066423A (zh) * | 2016-05-25 | 2016-11-02 | 上海博英信息科技有限公司 | 一种基于损耗分配嫌疑分析的反窃电分析方法 |
CN107169145B (zh) * | 2017-06-19 | 2019-11-26 | 武汉大学 | 一种基于聚类算法的用户窃电严重等级检测的方法 |
-
2018
- 2018-08-21 CN CN201810951080.7A patent/CN109190950B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109190950A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
Wang et al. | Medium-term wind speeds forecasting utilizing hybrid models for three different sites in Xinjiang, China | |
CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及*** | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及*** | |
CN109902340A (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
CN113708350B (zh) | 一种基于云边协同的配电台区重过载异常判断方法及*** | |
CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN104091076B (zh) | 一种基于区间熵权法的用户用电设备能效评估方法 | |
CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
Qu et al. | A residual convolutional neural network with multi-block for appliance recognition in non-intrusive load identification | |
CN116402187A (zh) | 一种基于电力大数据的企业排污预测方法 | |
CN114386822A (zh) | 基于加权余弦相似度的重点人员用电行为异常分析方法 | |
CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及*** | |
CN117332288A (zh) | 一种建筑节能技术评估***及方法 | |
WO2018232887A1 (zh) | 一种流动人员信息采集反馈方法、服务器及*** | |
CN111861141A (zh) | 一种基于模糊故障率预测的配电网可靠性评估方法 | |
CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
Wang et al. | Research of the early warning analysis of crop diseases and insect pests | |
Chung et al. | Information extraction methodology by web scraping for smart cities | |
Lu et al. | A deep belief network based model for urban haze prediction | |
CN114186631A (zh) | 一种基于非侵入式智能终端的负荷识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |